摘要：表面安裝PCB板的自動(dòng)檢測是保證質(zhì)量、減少制造廢品浪費(fèi)和返工的要求。本文研究定位和識別SMD檢測圖像中的多個(gè)對象的方法。表面安裝器件檢測的主要難點(diǎn)之一是元件放置的檢測。元件放置缺陷如漏貼、偏位或者是錯(cuò)誤的旋轉(zhuǎn)元件是主要缺陷必須在回流焊之前或之后進(jìn)行檢測。本文的重點(diǎn)在于定位多對象的對像識別技術(shù)；使用灰色模型匹配來為一組元件創(chuàng)建通用的模板。研究中使用標(biāo)準(zhǔn)化互相關(guān)模板匹配方法并對限制搜索區(qū)域以減少計(jì)算量的方法進(jìn)行測試。查找模板位置的方法使用了一個(gè)遺傳算法，性能優(yōu)越。最后列出了對典型的PCB圖像的實(shí)驗(yàn)結(jié)果。

關(guān)鍵詞：PCB制造；元件檢測；模板匹配；遺傳算法

 

5 搜索方法

模板匹配的搜索可以使用一個(gè)啟化式的方法如遺傳算法。結(jié)束搜索的判斷條件由計(jì)算的NCC值決定。實(shí)驗(yàn)發(fā)現(xiàn)，0.65的NCC值是一個(gè)理想的表示找到模板匹配，停止搜索的結(jié)束條件。

 

5.1 遺傳算法搜索

遺傳算法是一個(gè)基于種群（population-based）的概率搜索算法。其使用模擬自然選擇和生物遺傳機(jī)制(mechanics)的算子。遺傳算法開始建立一個(gè)解集的隨機(jī)種群及計(jì)算每個(gè)成員的適應(yīng)度值（如NCC值）。將適應(yīng)度值作為依據(jù)，從種群中選擇一個(gè)子集作為父母。這些父母組合產(chǎn)生新一代的解集稱之為子代。將這些新集取代原種群的一些成員，然后計(jì)算新的適應(yīng)度值。重復(fù)這樣的選擇和使用適應(yīng)度值來產(chǎn)生新的種群的過程。當(dāng)種群進(jìn)化，也更接近最優(yōu)解。

遺傳算法搜索邊緣像素（圖5）執(zhí)行時(shí)，使用一個(gè)indices determining邊緣位置（x,y）坐標(biāo)種群，和indices determining角度種群。不同的電阻對象在圖像中的旋轉(zhuǎn)角度可能不同。因此，定義了代表模板角度的角度變量。一般電阻的放置角度為0、90、180、270，所以角度向量限制為這四個(gè)值。只使用四個(gè)角度的缺點(diǎn)是實(shí)際的旋轉(zhuǎn)角度可能是不確定的；優(yōu)點(diǎn)是保持低的計(jì)算量。

通過在對應(yīng)的邊緣位置（x, y）坐標(biāo)和角度計(jì)算NCC值，給每個(gè)父代（如邊緣位置和角度indices）分配一個(gè)適應(yīng)度值。使用Roulette-wheel selection來選擇父代，然后對父代使用線性組合產(chǎn)生新的子代，用以下方程的計(jì)算。

 （3）

其中a是值為0到1的隨機(jī)權(quán)數(shù)。如果有需要，用一個(gè)寬度值來擴(kuò)展子代的范圍。

遺傳算法能夠好的解決單解問題，因此需要一個(gè)機(jī)制，當(dāng)找到一個(gè)模板匹配時(shí)，讓GA找到另一個(gè)解。當(dāng)在源圖像找到一個(gè)NCC值大于0.65（找到一個(gè)好的模板匹配）的位置時(shí)，在源圖像將和模板一致的區(qū)域用一個(gè)反色的模板圖像替換。一旦發(fā)生模板匹配，這個(gè)方法有效的封閉出一個(gè)區(qū)域。當(dāng)找出所有元件，算法即結(jié)束。

使用遺傳算法檢測PCB過程如圖7所示，用Matlap實(shí)現(xiàn)。首先，離線創(chuàng)建通用模板和設(shè)置對象的數(shù)量。然后，然后獲取被檢測PCB的圖像，應(yīng)用查找對象及他們的位置和旋轉(zhuǎn)角度的算法。如果位置和旋轉(zhuǎn)角度等于期望值，則被測PCB通過質(zhì)量檢查。

圖7 遺傳算法模板圖像搜索流程圖

 

6 應(yīng)用和結(jié)果

本章測試和比較基于通用模板的不同的多對象識別技術(shù)。結(jié)果如表1所示。對標(biāo)準(zhǔn)化互相關(guān)（NCC）和最大可能模板匹配方法使用完全搜索非壓縮源圖像方法進(jìn)行了比較。算法使用圖3的通用模板對圖2的6個(gè)5110和1001貼片電阻進(jìn)行定位。結(jié)果表明NCC模板匹配方法比最大可能匹配方法快4倍多。使用最大可能方法，協(xié)方差矩陣的計(jì)算非常耗時(shí)。然后，對在一個(gè)預(yù)先確定的矩形區(qū)域，圍繞每個(gè)已知元件目標(biāo)點(diǎn)，使用局部搜索的方法進(jìn)行了測試。這個(gè)方法大大減少了搜索時(shí)間。

如果元件錯(cuò)件和偏位，局部搜索方法就會失敗。在這種情況下，需要對整個(gè)源圖像進(jìn)行搜索來查找錯(cuò)誤放置的對象。之前討論的Canny邊緣壓縮方法可以用來減少搜索點(diǎn)的數(shù)量，對完全搜索和遺傳算法分別進(jìn)行了實(shí)驗(yàn)并獲得了結(jié)果。GA的模板位置搜索比完全搜索快6倍左右。

                                                                                         表1 結(jié)果

方法	執(zhí)行時(shí)間（s）
最大可能非壓縮完全搜索	3303
NCC非壓縮完全搜索	737.2
NCC Canny邊緣壓縮完全搜索	230.8
NCC對象目標(biāo)點(diǎn)局部搜索	47.5
NCC Canny邊緣壓縮GA搜索	39.5

 

為了找出一個(gè)最優(yōu)參數(shù)來使遺傳算法的執(zhí)行時(shí)間最小化，進(jìn)行了實(shí)驗(yàn)統(tǒng)計(jì)分析。初始實(shí)驗(yàn)確定可控參數(shù)的范圍，如種群大小、重組百分比、線性重組寬度、突變百分比。然后進(jìn)行兩組實(shí)驗(yàn)獲得兩組值的范圍。第一組實(shí)驗(yàn)使用種群值160、200和240，重組百分比值為75%、85%和95%，突變百分比值為15%、25%和35%，線性重組寬度為0，0.1和0.2。第二組實(shí)驗(yàn)使用種群值80、120和160，重組百分比值為55%、65%和75%，突變百分比值為25%、35%和45%，線性重組寬度為0，0.1和0.2。

第一組實(shí)驗(yàn)中最優(yōu)的參數(shù)是種群大小為160，重組合百分比為75%，突變百分比為35%，線性重組合寬度為0。第二組實(shí)驗(yàn)中最優(yōu)的參數(shù)是種群大小為160，重組合百分比為75%，突變百分比為45%，線性重組合寬度為0。兩組實(shí)驗(yàn)中的群大小、重組合百分比和線性重組合寬度的最優(yōu)參數(shù)相同。唯一不明確的是突變百分比的值，進(jìn)一步的實(shí)驗(yàn)顯示35%的突變率是最優(yōu)的參數(shù)。

圖8顯示了待定位對像總的數(shù)量和當(dāng)前已經(jīng)定位對象數(shù)量的變化過程。其中N的定義為：

 （4）

其中：

NTOTAL=待定位對象總的數(shù)量。

NFOUND=已定位對象的數(shù)量。

圖8顯示了N減小到0的一系列的階段。在第一個(gè)階段有一個(gè)新的對象被檢測出來。當(dāng)所有對象都都檢測出來，遺傳算法結(jié)束，返回每個(gè)元件的位置和旋轉(zhuǎn)角度。角度限制在0、90、180和270四個(gè)角度內(nèi)?？梢愿鶕?jù)這些算法返回的值進(jìn)行質(zhì)量檢查。當(dāng)元件的旋轉(zhuǎn)角度不是限制的四個(gè)角度時(shí)，算法產(chǎn)生的互相關(guān)值不會大于0.65，元件就識別不了。因此，識別對象的總數(shù)可以用于質(zhì)量檢查。圖9顯示了使用遺傳算法多對象識別方法定位的6個(gè)元件的源圖像。

圖8 反復(fù)(iteration)次數(shù)和對像定位關(guān)系

圖9 使用遺傳算法識別和定位六個(gè)元件的源圖像

關(guān)于這個(gè)方法可量測性的主要因素是通用模板的建立。在本研究中，通用模板是通過從源圖像提取的大小相同的6個(gè)元件的模板建立的，這些元件的標(biāo)簽特征有差別。因此，方法只能搜索6個(gè)對象。圖10顯示了待搜索對象的數(shù)量和對應(yīng)的平均搜索時(shí)間。圖顯示了單獨(dú)搜索和同時(shí)搜索的結(jié)果。同時(shí)搜索是同時(shí)對所有對象搜索，單獨(dú)搜索是每次只搜索一個(gè)對象。結(jié)果顯示了當(dāng)對象數(shù)量增加，同時(shí)搜索方法有更優(yōu)的平均時(shí)間，是一個(gè)更好的多對象識別方法。

圍繞對象點(diǎn)的NCC局部區(qū)域搜索方法表現(xiàn)很好的性能，當(dāng)其是在假設(shè)對象點(diǎn)位置預(yù)先知道前提下的。GA方法的優(yōu)點(diǎn)是，因?yàn)槠涫且粋€(gè)對邊緣的全局搜索，所以它和攝像機(jī)的對準(zhǔn)(alignment)沒有關(guān)系。這點(diǎn)是很重要的，因?yàn)樵谏a(chǎn)環(huán)境下不能完全保證攝像機(jī)是對準(zhǔn)的。

圖10 遺傳算法測量結(jié)果

 

7 結(jié)論

本文設(shè)計(jì)了多對象識別方法，并應(yīng)用這個(gè)方法查找PCB上貼片元件的位置和角度，以便進(jìn)行質(zhì)量控制檢查?；镜姆椒ㄊ腔趯σ唤M元件建立一個(gè)通用灰色模型模板。搜索可以限制在圍繞已知對象點(diǎn)的局部區(qū)域或者，如果需要對整個(gè)源圖像進(jìn)行搜索來查找錯(cuò)件，則限制搜索在Canny邊緣位置。

如果元件對象點(diǎn)預(yù)先知道，則完全搜索圍繞對象點(diǎn)的連續(xù)小區(qū)域來尋找模板匹配是很有效的。如果需要搜索整個(gè)圖像，則限制搜索區(qū)域在Canny邊緣可以減少搜索時(shí)間。

當(dāng)查找出所有元件，遺傳算法結(jié)束，搜索性能比對同一搜索區(qū)域的完全搜索方法快6倍，也比圍繞已知對象點(diǎn)的局部完全搜索方法快。因?yàn)檫z傳算法方法搜索整個(gè)圖像的邊緣，所以和圖像的對準(zhǔn)無關(guān)（而對通過比較兩個(gè)圖像來檢測缺陷是必需的）。本文研究的方法也可以應(yīng)用以其它應(yīng)用包括機(jī)器視覺系統(tǒng)和衛(wèi)星監(jiān)測。